Canva déploie la créativité grâce à l'IA

L'essor de la créativité à l'ère de l'IA

La demande de contenu vidéo a atteint un niveau sans précédent : selon un podcast McKinsey, les consommateurs regardent désormais plus de 12 heures de contenu vidéo quotidiennement, souvent sur plusieurs appareils simultanément. Face à cette explosion, les coûts de production restent vertigineux, un film hollywoodien avec un budget de base de 150 millions de dollars revient à environ 1 million par minute de film fini, et les séries de prestige sur les plateformes de streaming se chiffrent en centaines de milliers de dollars par minute. Dans ce contexte, Adobe et ses partenaires corporate avancent une réponse concrète : intégrer l'IA générative directement dans les flux de travail créatifs. Nestlé, qui opère dans 180 pays avec des marques comme Nescafé, KitKat et Purina, a déployé les modèles personnalisés Adobe Firefly dans ses pipelines de production existants, réduisant les cycles de workflow de 50 %. Une étude Adobe révèle par ailleurs que 94 % des créatifs utilisant ces outils produisent du contenu plus rapidement, économisant en moyenne 17 heures par semaine. L'enjeu n'est pas simplement la vitesse : c'est la survie économique des équipes créatives prises dans ce que l'article appelle un "sprint permanent". La durée de vie d'un contenu sur les réseaux sociaux se mesure désormais en heures, non en semaines, et la demande de contenus frais devrait encore quintupler d'ici deux ans selon les projections Adobe. L'IA absorbe les tâches répétitives, déclinaisons de formats, adaptations locales, variations de visuels, pour libérer les équipes vers les décisions stratégiques à haute valeur ajoutée. Le temps récupéré n'est pas présenté comme un gain de productivité brut, mais comme une capacité créative renouvelée. Pour les entreprises opérant à l'échelle mondiale, c'est aussi une question de cohérence de marque : maintenir des milliers de micro-décisions visuelles et éditoriales alignées avec l'identité d'une marque, à travers des dizaines de marchés, devient impossible sans outillage intelligent. Cette transformation s'inscrit dans un moment charnière pour l'industrie créative. Adobe positionne son prochain "Creative Agent" comme un outil de la future ère agentique, capable de raisonner en systèmes entiers plutôt qu'en tâches isolées, orchestrant workflows, applications et processus pour réduire le délai entre l'idée et l'exécution. La question n'est plus de savoir si les entreprises doivent adopter l'IA pour la production de contenu, l'équation économique ne laisse pas d'alternative, selon les auteurs, mais comment le faire sans diluer leur identité de marque ni déresponsabiliser leurs équipes. La provenance des contenus, la transparence sur les outils utilisés et le maintien du jugement humain comme filtre final sont présentés comme les conditions non négociables d'une adoption responsable. Dans ce nouveau paradigme, l'IA amplifie ce qui existe déjà : une stratégie faible reste faible, et l'échelle sans discernement ne produit que du bruit.

Toutes les IA échouent à ce test d’humanité

Le 27 mars 2026, l'organisation ARC Prize a publié ARC-AGI-3, la troisième itération de son benchmark conçu pour mesurer la progression des systèmes d'IA vers une intelligence artificielle générale. Contrairement aux versions précédentes, ce nouveau test cible spécifiquement les IA dites « agentiques » — capables d'agir en séquences, d'explorer un environnement et d'apprendre en cours de tâche. Les meilleurs modèles actuels, y compris les systèmes de raisonnement d'OpenAI et de Google DeepMind, obtiennent des scores encore très inférieurs aux capacités humaines moyennes. Ce résultat révèle une limite fondamentale des architectures actuelles : les grands modèles de langage excellent à reproduire des patterns vus en entraînement, mais peinent à généraliser dans des contextes inédits et interactifs. ARC-AGI-3 est conçu précisément pour être trivial pour un humain — quelques minutes suffisent — mais résistant aux techniques d'optimisation brute que l'industrie utilise pour doper ses benchmarks. Il mesure ce que Chollet appelle « l'efficience de généralisation », une capacité que les LLMs actuels ne possèdent pas structurellement. ARC-AGI a été créé par François Chollet, ingénieur chez Google et auteur de Keras, qui défend depuis des années l'idée que les benchmarks standards sont saturés et trompeurs. La première version date de 2019 ; ARC-AGI-2, publié en 2025, avait déjà mis en difficulté les meilleurs modèles. ARC Prize, l'organisation derrière le projet, offre des récompenses financières pour inciter la communauté à trouver de nouvelles approches algorithmiques. Ce troisième volet marque une accélération du défi : tant que les IA échouent ici, les proclamations d'AGI restent prématurées.

💬 Je l'attendais, celle-là. Les meilleurs modèles du monde battus par n'importe quel humain en quelques minutes sur un truc conçu pour être trivial, ça remet les pieds sur terre quand tu lis les annonces AGI de la semaine. Chollet a raison depuis le début : on optimise des benchmarks, pas de l'intelligence.

Pandémies : l’IA et la modélisation au cœur de la riposte

L'épidémiologiste Mircea Sofonea dirige à Montpellier le projet PReVix, regroupant douze unités de recherche dans cinq villes françaises. Ce projet vise à combiner intelligence artificielle et modélisation classique pour construire un cadre de réponse précoce aux futurs virus respiratoires émergents. Les cibles prioritaires incluent des pathogènes du type coronavirus ou grippe H1N1.

Notes complémentaires sur la délégation à l'IA et la fiabilité à long terme

Une équipe de chercheurs vient de publier une étude intitulée "LLMs Corrupt Your Documents When You Delegate", qui examine la fiabilité des modèles de langage lorsqu'on leur confie des tâches longues et répétées sur des fichiers importants. Le protocole d'évaluation, baptisé DELEGATE-52, soumet les modèles à des séquences de transformations et d'inversions appliquées à des documents, des feuilles de calcul, du code ou des fichiers structurés, sans supervision humaine entre chaque étape. Les résultats sont significatifs : sur 20 itérations de délégation, les meilleurs modèles du marché affichent une dégradation de la fidélité sémantique comprise entre 19 et 34 %. Exception notable, les flux de travail en Python se montrent bien plus robustes, avec une dégradation inférieure à 1 % en moyenne. Les erreurs mesurées portent sur le contenu sémantique réel des artefacts, et non sur des différences de mise en forme ou de style. Ces chiffres interpellent, mais leur portée exacte mérite d'être précisée. La recherche ne mesure ni le taux de complétion des tâches, ni la satisfaction des utilisateurs : elle se concentre exclusivement sur l'intégrité du contenu sur la durée. Or, dans les environnements de production actuels, des mécanismes comme les boucles de vérification, l'orchestration multi-agents et les outils spécialisés par domaine permettent déjà d'atténuer ces effets. L'enjeu concret est ailleurs : les bonnes performances d'un modèle sur des tâches courtes ne garantissent pas une exécution fiable sur des workflows longs et peu supervisés, ce qui a des implications directes pour les entreprises qui automatisent des processus critiques impliquant des documents financiers, juridiques ou techniques. Ce travail s'inscrit dans un débat plus large sur le fossé entre les scores obtenus par les modèles sur des benchmarks standardisés et leur comportement réel dans des contextes professionnels complexes. L'objectif des chercheurs n'est pas de décourager le recours à l'IA dans les workflows métiers, mais d'identifier précisément les zones de fragilité qui nécessitent encore des efforts de recherche et d'ingénierie. DELEGATE-52 se veut un outil de diagnostic, une sorte de test de stress pour la délégation longue durée, et non une mesure globale des capacités des modèles. La prochaine étape pour l'industrie sera de concevoir des architectures d'agents capables de maintenir la cohérence sémantique sur de longues séquences d'actions, un problème ouvert qui conditionne la confiance que l'on peut raisonnablement accorder aux assistants IA autonomes.

💬 20 itérations, 19 à 34% de dérive sémantique sur tes documents. Ce que je retiens surtout c'est le contraste avec les workflows Python, quasi intacts à moins de 1%, parce que le code ne tolère pas l'ambiguïté là où le texte laisse toujours une porte ouverte. Tant qu'on n'a pas résolu ça pour le non-structuré, je ne délègue pas un flux critique sans filet.